Unicode和UTF-8/UTF-16/UTF-32之間就是字元集和編碼的關係。字符集的概念實際上包含兩個方面，一個是字符的集合，一個是編碼方案。字符集定義了它所包含的所有符號，狹義上的字符集並不包含編碼方案，它只是定義了屬於這個字符集的所有符號。但通常來說，一個字元集並不僅僅定義字元集合，它還為每個符號定義一個二進位編碼。當我們提到GB2312或ASCII的時候，它隱式地指明了編碼方案是GB2312或ASCII，在這些情況下可以認為字元集與編碼方案互等。
但是Unicode有多種編碼方案。 Unicode字符集規定的標準編碼方案是UCS-2（UTF-16），以兩個位元組表示一個Unicode字符（UTF-16中兩個位元組的基本多語言平面字符， 4個位元組的為輔助平面字元）。而UCS-4(UTF-32）用4個位元組表示一個Unicode字元。另外一個常用的Unicode編碼方案–UTF-8用1到4個變長位元組來表示一個Unicode字符，並且可以從一個簡單的轉換演算法從UTF-16直接得到。所以使用Unicode字元集時有多種編碼方案，分別用於適當的場景。
再通俗一點地講，Unicode字元集就相當於是一本字典，裡面記載著所有字元（即圖像）以及各自所對應的Unicode碼（與具體編碼方案無關），UTF-8/ UTF-16/UTF-32碼就是Unicode碼經過對應的公式計算得到的並且實際儲存、傳輸的資料。
JVM規格中明確說明了java的char型別所使用的編碼方案是UTF-16，所以先來了解下UTF-16。
Unicode的編碼空間從U+0000到U+10FFFF，共有1112064個碼位(code point)可用來映射字符，，碼位就是字符的數字形式。這部分編碼空間可以分割成17個平面（plane）,每個平麵包含2^16（65536）個碼位。第一個平面稱為基本多語言平面（Basic Multilingual Plane, BMP），或稱為第零平面（Plane 0）。其他平面稱為輔助平面（Supplementary Planes）。基本多語言平面內，從U+D800到U+DFFF之間的碼位區塊是永久保留不對應到Unicode字元。 UTF-16就利用保留下來的0xD800-0xDFFF區段的碼位來對輔助平面的字元的碼位進行編碼。
最常用的字元都包含在BMP中，以2個位元組表示。輔助平面中的碼位，在UTF-16中被編碼為一對16位元長的碼元，稱為代理對（surrogate pair），具體方法是：
int character = aString.codePointAt(i); int length = aString.codePointCount(0, aString.length())；
static int codePointAtImpl(char[] a, int index, int limit) {
char c1 = a[index];
if (isHighSurrogate(c1) && ++index < limit) {
char c2 = a[index];
if (isLowSurrogate(c2)) {
return toCodePoint(c1, c2);
}
}
return c1;
}public static boolean isHighSurrogate(char ch) {
// Help VM constant-fold; MAX_HIGH_SURROGATE + 1 == MIN_LOW_SURROGATE
return ch >= MIN_HIGH_SURROGATE && ch < (MAX_HIGH_SURROGATE + 1);
}public static final char MIN_HIGH_SURROGATE = '\uD800'; public static final char MAX_HIGH_SURROGATE = '\uDBFF';
然后++index,isLowSurrogate方法判断下一个字符的2个字节是否为后尾代理（0xDC00~0xDFFF）：
public static boolean isLowSurrogate(char ch) {
return ch >= MIN_LOW_SURROGATE && ch < (MAX_LOW_SURROGATE + 1);
}public static final char MIN_LOW_SURROGATE = '\uDC00'; public static final char MAX_LOW_SURROGATE = '\uDFFF';
toCodePoint方法将这2个码元组装成一个Unicode码：
public static int toCodePoint(char high, char low) {
// Optimized form of:
// return ((high - MIN_HIGH_SURROGATE) << 10)
// + (low - MIN_LOW_SURROGATE)
// + MIN_SUPPLEMENTARY_CODE_POINT;
return ((high << 10) + low) + (MIN_SUPPLEMENTARY_CODE_POINT
- (MIN_HIGH_SURROGATE << 10)
- MIN_LOW_SURROGATE);
}这个过程就是以上将一个辅助平面的Unicode码位转换成2个码元的逆过程。
所以，枚举字符串的正确方法：
for (int i = 0; i < aString.length();) {
int character = aString.codePointAt(i);
//如果是辅助平面字符，则i+2
if (Character.isSupplementaryCodePoint(character)) i += 2;
else ++i;
}将codePoint转换为char[]可调用Character.toChars方法，然后可进一步转换为字符串：
new String(Character.toChars(codePoint));
toChars方法所做的就是以上将Unicode码位转换为2个码元的过程。
以上是詳細介紹Java中codepoint和UTF-16相關的一些事的詳細內容。更多資訊請關注PHP中文網其他相關文章！
